?? ?jsoup 是一款Java 的HTML解析器,可直接解析某個URL地址、HTML文本內容。它提供了一套非常省力的API,
可通過DOM,CSS以及類似于jQuery的操作方法來取出和操作數據。
? ? 1)從一個URL,文件或字符串中解析HTML
? ? 2)使用DOM或CSS選擇器來查找、取出數據
? ? 3)可操作HTML元素、屬性、文本
? ? 注意:jsoup是基于MIT協議發布的,可放心使用于商業項目。
如何解析一個HTML文檔:
String html = "<html><head><title>First parse</title></head>"+ "<body><p>Parsed HTML into a doc.</p></body></html>";Document doc = Jsoup.parse(html);其解析器能夠盡最大可能從你提供的HTML文檔來創見一個干凈的解析結果,無論HTML的格式是否完整。比如它可以處理:
1)沒有關閉的標簽?
<p>Lorem <p>Ipsum parses to <p>Lorem</p> <p>Ipsum</p>2)隱式標簽?
它可以自動將 <td>Table data</td>包裝成<table><tr><td>?3)創建可靠的文檔結構??
html標簽包含head 和 body,在head只出現恰當的元素?? ?? ? 1)文檔由多個Elements和TextNodes組成
?? ?? ? 2)其繼承結構如下:Document繼承Element繼承Node. TextNode繼承 Node.
?? ?? ? 3)一個Element包含一個子節點集合,并擁有一個父Element。他們還提供了一個唯一的子元素過濾列表。
1)存在問題
來自用戶輸入,一個文件或一個網站的HTML字符串,你可能需要對它進行解析并取其內容,或校驗其格式是否完整,
或想修改它。怎么辦??jsoup能夠幫你輕松解決這些問題
2)解決方法
?? ??? ? 使用靜態Jsoup.parse(String html) 方法或 Jsoup.parse(String html, String baseUri)
String html = "<html><head><title>First parse</title></head>" + "<body><p>Parsed HTML into a doc.</p></body></html>";Document doc = Jsoup.parse(html);? ? 3)描述
?? ??? ?? ? A:
?parse(String html, String baseUri) 這方法能夠將輸入的HTML解析為一個新的文檔 (Document),參數 baseUri 是用來將相對 URL 轉成絕對URL,
? 并指定從哪個網站獲取文檔。如這個方法不適用,你可以使用 parse(String html) 方法來解析成HTML字符串如上面的示例。
?? ??? ??? ?B:
?? ??? ??? ??? ?只要解析的不是空字符串,就能返回一個結構合理的文檔,其中包含(至少) 一個head和一個body元素。
?? ??? ?? ? C:
?? ??? ??? ??? ?一旦擁有了一個Document,你就可以使用Document中適當的方法或它父類 Element和Node中的方法來取得相關數據。
1)存在問題
?? ??? ? 假如你有一個HTML片斷 (比如. 一個 p 包含一對 p 標簽; 一個不完整的HTML文檔) 想對它進行解析。這個HTML片斷可以是用戶提交的一條評論
或在一個CMS頁面中編輯body部分。
2)辦法
使用Jsoup.parseBodyFragment(String html)方法。
String html = "<p><p>Lorem ipsum.</p>";Document doc = Jsoup.parseBodyFragment(html);Element body = doc.body();3)說明
?? ?? ? A:
?parseBodyFragment 方法創建一個空殼的文檔,并插入解析過的HTML到body元素中。假如你使用正常的 Jsoup.parse(String html) 方法,
通常你也可以得到相同的結果,但是明確將用戶輸入作為 body片段處理,以確保用戶所提供的任何糟糕的HTML都將被解析成body元素。
?? ?? ? B:
?? ??? ??? ?Document.body() 方法能夠取得文檔body元素的所有子元素,與 doc.getElementsByTag("body")相同。
1)存在問題
你需要從一個網站獲取和解析一個HTML文檔,并查找其中的相關數據。
2)解決方法
使用 Jsoup.connect(String url)方法:
Document doc = Jsoup.connect("http://example.com/").get();String title = doc.title();? ? 3)說明
?? ??? ?connect(String url) 方法創建一個新的 Connection, 和 get() 取得和解析一個HTML文件。如果從該URL獲取HTML時發生錯誤,便會拋出 IOException,應適當處理。
?? ??? ?Connection 接口還提供一個方法鏈來解決特殊請求,具體如下:
Document doc = Jsoup.connect("http://example.com";) .data("query", "Java") .userAgent("Mozilla") .cookie("auth", "token") .timeout(3000) .post();?? ??? ?這個方法只支持Web URLs (http和https 協議); 假如你需要從一個文件加載,可以使用 parse(File in, String charsetName) 代替。
1)存在問題
在本機硬盤上有一個HTML文件,需要對它進行解析從中抽取數據或進行修改。
2)方法
可以使用靜態 Jsoup.parse(File in, String charsetName, String baseUri) 方法:
File input = new File("/tmp/input.html");Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/";);? ? 3)說明
?? ?? ? A:
?? ??? ??? ?parse(File in, String charsetName, String baseUri) 這個方法用來加載和解析一個HTML文件。如在加載文件的時候發生錯誤,將拋出IOException,應作適當處理。
?? ?? ? B:
?? ??? ??? ?baseUri 參數用于解決文件中URLs是相對路徑的問題。如果不需要可以傳入一個空的字符串。
?? ?? ? C:
?? ??? ??? ?另外還有一個方法parse(File in, String charsetName) ,它使用文件的路徑做為 baseUri。 這個方法適用于如果被解析文件位于網站的本地文件系統,
且相關鏈接也指向該文件系統。
1)存在問題
你有一個HTML文檔要從中提取數據,并了解這個HTML文檔的結構。
2)方法
將HTML解析成一個Document之后,就可以使用類似于DOM的方法進行操作。
File input = new File("/tmp/input.html");Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");Element content = doc.getElementById("content");Elements links = content.getElementsByTag("a");for (Element link : links) { String linkHref = link.attr("href"); String linkText = link.text();}? 3)說明
Elements這個對象提供了一系列類似于DOM的方法來查找元素,抽取并處理其中的數據。具體如下:
A:查看元素
getElementById(String id) getElementsByTag(String tag) getElementsByClass(String className) getElementsByAttribute(String key) (and related methods) Element siblings: siblingElements(), firstElementSibling(), lastElementSibling(); nextElementSibling(), previousElementSibling() Graph: parent(), children(), child(int index)B:元素數據
attr(String key)獲取屬性attr(String key, String value)設置屬性 attributes()獲取所有屬性 id(), className() and classNames() text()獲取文本內容text(String value) 設置文本內容 html()獲取元素內HTMLhtml(String value)設置元素內的HTML內容 outerHtml()獲取元素外HTML內容 data()獲取數據內容(例如:script和style標簽) tag() and tagName()C:操作HTML和文本
append(String html), prepend(String html) appendText(String text), prependText(String text) appendElement(String tagName), prependElement(String tagName) html(String value)1)存在問題
你想使用類似于CSS或jQuery的語法來查找和操作元素。
2)方法
可以使用Element.select(String selector) 和 Elements.select(String selector) 方法實現:
File input = new File("/tmp/input.html");Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");Elements links = doc.select("a[href]"); //帶有href屬性的a元素Elements pngs = doc.select("img[src$=.png]"); //擴展名為.png的圖片Element masthead = doc.select("p.masthead").first(); //class等于masthead的p標簽Elements resultLinks = doc.select("h3.r > a"); //在h3元素之后的a元素3)說明
jsoup elements對象支持類似于CSS (或jquery)的選擇器語法,來實現非常強大和靈活的查找功能。.
這個select 方法在Document, Element,或Elements對象中都可以使用。且是上下文相關的,因此可實現指定元素的過濾,或者鏈式選擇訪問。
select方法將返回一個Elements集合,并提供一組方法來抽取和處理結果。
A:Selector選擇器概述
tagname: 通過標簽查找元素,比如:a ns|tag: 通過標簽在命名空間查找元素,比如:可以用 fb|name 語法來查找 <fb:name> 元素 #id: 通過ID查找元素,比如:#logo .class: 通過class名稱查找元素,比如:.masthead [attribute]: 利用屬性查找元素,比如:[href] [^attr]: 利用屬性名前綴來查找元素,比如:可以用[^data-] 來查找帶有HTML5 Dataset屬性的元素 [attr=value]: 利用屬性值來查找元素,比如:[width=500] [attr^=value], [attr$=value], [attr*=value]: 利用匹配屬性值開頭、結尾或包含屬性值來查找元素,比如:[href*=/path/] [attr~=regex]: 利用屬性值匹配正則表達式來查找元素,比如: img[src~=(?i).(png|jpe?g)] *: 這個符號將匹配所有元素
B:Selector選擇器組合使用
el#id: 元素+ID,比如: p#logo el.class: 元素+class,比如: p.masthead el[attr]: 元素+class,比如: a[href] 任意組合,比如:a[href].highlight ancestor child: 查找某個元素下子元素,比如:可以用.body p 查找在"body"元素下的所有 p元素 parent > child: 查找某個父元素下的直接子元素,比如:可以用p.content > p 查找 p 元素,也可以用body > * 查找body標簽下所有直接子元素 siblingA + siblingB: 查找在A元素之前第一個同級元素B,比如:p.head + p siblingA ~ siblingX: 查找A元素之前的同級X元素,比如:h1 ~ p el, el, el:多個選擇器組合,查找匹配任一選擇器的唯一元素,例如:p.masthead, p.logo
C:偽選擇器selectors
:lt(n): 查找哪些元素的同級索引值(它的位置在DOM樹中是相對于它的父節點)小于n,比如:td:lt(3) 表示小于三列的元素 :gt(n):查找哪些元素的同級索引值大于n,比如: p p:gt(2)表示哪些p中有包含2個以上的p元素 :eq(n): 查找哪些元素的同級索引值與n相等,比如:form input:eq(1)表示包含一個input標簽的Form元素 :has(seletor): 查找匹配選擇器包含元素的元素,比如:p:has(p)表示哪些p包含了p元素 :not(selector): 查找與選擇器不匹配的元素,比如: p:not(.logo) 表示不包含 元素的所有 p 列表 :contains(text): 查找包含給定文本的元素,搜索不區分大不寫,比如: p:contains(jsoup) :containsOwn(text): 查找直接包含給定文本的元素 :matches(regex): 查找哪些元素的文本匹配指定的正則表達式,比如:p:matches((?i)login) :matchesOwn(regex): 查找自身包含文本匹配指定正則表達式的元素 注意:上述偽選擇器索引是從0開始的,也就是
1)存在問題
在解析獲得一個Document實例對象,并查找到一些元素之后,你希望取得在這些元素中的數據。
2)方法
要取得一個屬性的值,可以使用Node.attr(String key) 方法 對于一個元素中的文本,可以使用Element.text()方法 對于要取得元素或屬性中的HTML內容,可以使用Element.html(), 或 Node.outerHtml()方法
String html = "<p>An <a ><b>example</b></a> link.</p>"; Document doc = Jsoup.parse(html);//解析HTML字符串返回一個Document實現 Element link = doc.select("a").first();//查找第一個a元素 String text = doc.body().text(); // "An example link"http://取得字符串中的文本 String linkHref = link.attr("href"); // "http://example.com/"http://取得鏈接地址 String linkText = link.text(); // "example""http://取得鏈接地址中的文本 String linkOuterH = link.outerHtml(); // "<a String linkInnerH = link.html(); // "<b>example</b>"http://取得鏈接內的html內容3)說明
上述方法是元素數據訪問的核心辦法。此外還其它一些方法可以使用:
Element.id() Element.tagName() Element.className() and Element.hasClass(String className)這些訪問器方法都有相應的setter方法來更改數據.
1)存在問題
你有一個包含相對URLs路徑的HTML文檔,需要將這些相對路徑轉換成絕對路徑的URLs。
2)方法
在你解析文檔時確保有指定base URI,然后 使用 abs: 屬性前綴來取得包含base URI的絕對路徑。代碼如下:
Document doc = Jsoup.connect("http://www.open-open.com").get(); Element link = doc.select("a").first(); String relHref = link.attr("href"); // == "/" String absHref = link.attr("abs:href"); // "http://www.open-open.com/"3)說明
在HTML元素中,URLs經常寫成相對于文檔位置的相對路徑: <a href="/download">...</a>.
當你使用 Node.attr(String key) 方法來取得a元素的href屬性時,它將直接返回在HTML源碼中指定定的值。
假如你需要取得一個絕對路徑,需要在屬性名前加 abs: 前綴。這樣就可以返回包含根路徑的URL地址attr("abs:href")
因此,在解析HTML文檔時,定義base URI非常重要。
如果你不想使用abs: 前綴,還有一個方法能夠實現同樣的功能 Node.absUrl(String key)。
1)說明
這個示例程序將展示如何從一個URL獲得一個頁面。然后提取頁面中的所有鏈接、圖片和其它輔助內容。并檢查URLs和文本信息。
2)運行下面程序需要執行一個URLs作為參數
package org.jsoup.examples;import org.jsoup.Jsoup;import org.jsoup.helper.Validate;import org.jsoup.nodes.Document;import org.jsoup.nodes.Element;import org.jsoup.select.Elements;import java.io.IOException;/** * Example program to list links from a URL. */public class ListLinks { public static void main(String[] args) throws IOException { Validate.isTrue(args.length == 1, "usage: supply url to fetch"); String url = args[0]; print("Fetching %s...", url); Document doc = Jsoup.connect(url).get(); Elements links = doc.select("a[href]"); Elements media = doc.select("[src]"); Elements imports = doc.select("link[href]"); print("nMedia: (%d)", media.size()); for (Element src : media) { if (src.tagName().equals("img")) print(" * %s: <%s> %sx%s (%s)", src.tagName(), src.attr("abs:src"), src.attr("width"), src.attr("height"), trim(src.attr("alt"), 20)); else print(" * %s: <%s>", src.tagName(), src.attr("abs:src")); } print("nImports: (%d)", imports.size()); for (Element link : imports) { print(" * %s <%s> (%s)", link.tagName(),link.attr("abs:href"), link.attr("rel")); } print("nLinks: (%d)", links.size()); for (Element link : links) { print(" * a: <%s> (%s)", link.attr("abs:href"), trim(link.text(), 35)); } } private static void print(String msg, Object... args) { System.out.println(String.format(msg, args)); } private static String trim(String s, int width) { if (s.length() > width) return s.substring(0, width-1) + "."; else return s; }}3)查看結果
Fetching http://news.ycombinator.com/...Media: (38) * img: <http://ycombinator.com/images/y18.gif> 18x18 () * img: <http://ycombinator.com/images/s.gif> 10x1 () * img: <http://ycombinator.com/images/grayarrow.gif> x () * img: <http://ycombinator.com/images/s.gif> 0x10 () * script: <http://www.co2stats.com/propres.php?s=1138> * img: <http://ycombinator.com/images/s.gif> 15x1 () * img: <http://ycombinator.com/images/hnsearch.png> x () * img: <http://ycombinator.com/images/s.gif> 25x1 () * img: <http://mixpanel.com/site_media/images/mixpanel_partner_logo_borderless.gif> x (Analytics by Mixpan.) Imports: (2) * link <http://ycombinator.com/news.css> (stylesheet) * link <http://ycombinator.com/favicon.ico> (shortcut icon) Links: (141) * a: <http://ycombinator.com> () * a: <http://news.ycombinator.com/news> (Hacker News) * a: <http://news.ycombinator.com/newest> (new) * a: <http://news.ycombinator.com/newcomments> (comments) * a: <http://news.ycombinator.com/leaders> (leaders) * a: <http://news.ycombinator.com/jobs> (jobs) * a: <http://news.ycombinator.com/submit> (submit) * a: <http://news.ycombinator.com/x?fnid=JKhQjfU7gW> (login) * a: <http://news.ycombinator.com/vote?for=1094578&dir=up&whence=%6e%65%77%73> () * a: <http://www.readwriteweb.com/archives/facebook_gets_faster_debuts_homegrown_php_compiler.php?utm_source=feedburner&utm_medium=feed&utm_campaign=Feed%3A+readwriteweb+%28ReadWriteWeb%29&utm_content=Twitter> (Facebook speeds up PHP) * a: <http://news.ycombinator.com/user?id=mcxx> (mcxx) * a: <http://news.ycombinator.com/item?id=1094578> (9 comments) * a: <http://news.ycombinator.com/vote?for=1094649&dir=up&whence=%6e%65%77%73> () * a: <http://groups.google.com/group/django-developers/msg/a65fbbc8effcd914> ("Tough. Django produces XHTML.") * a: <http://news.ycombinator.com/user?id=andybak> (andybak) * a: <http://news.ycombinator.com/item?id=1094649> (3 comments) * a: <http://news.ycombinator.com/vote?for=1093927&dir=up&whence=%6e%65%77%73> () * a: <http://news.ycombinator.com/x?fnid=p2sdPLE7Ce> (More) * a: <http://news.ycombinator.com/lists> (Lists) * a: <http://news.ycombinator.com/rss> (RSS) * a: <http://ycombinator.com/bookmarklet.html> (Bookmarklet) * a: <http://ycombinator.com/newsguidelines.html> (Guidelines) * a: <http://ycombinator.com/newsfaq.html> (FAQ) * a: <http://ycombinator.com/newsnews.html> (News News) * a: <http://news.ycombinator.com/item?id=363> (Feature Requests) * a: <http://ycombinator.com> (Y Combinator) * a: <http://ycombinator.com/w2010.html> (Apply) * a: <http://ycombinator.com/lib.html> (Library) * a: <http://www.webmynd.com/html/hackernews.html> () * a: <http://mixpanel.com/?from=yc> ()1)存在問題
在你解析一個Document之后可能想修改其中的某些屬性值,然后再保存到磁盤或都輸出到前臺頁面。
2)方法
可以使用屬性設置方法 Element.attr(String key, String value), 和 Elements.attr(String key, String value).
假如你需要修改一個元素的 class 屬性,可以使用 Element.addClass(String className) 和 Element.removeClass(String className) 方法。
Elements 提供了批量操作元素屬性和class的方法,比如:要為p中的每一個a元素都添加一個 rel="nofollow" 可以使用如下方法:
doc.select("p.comments a").attr("rel", "nofollow");
3)說明
與Element中的其它方法一樣,attr 方法也是返回當 Element (或在使用選擇器是返回 Elements 集合)。
這樣能夠很方便使用方法連用的書寫方式。比如:
doc.select("p.masthead").attr("title", "jsoup").addClass("round-box");
1)存在問題
你需要一個元素中的HTML的內容
2)方法
可以使用Element中的HTML設置方法具體如下:
Element p = doc.select("p").first(); // <p></p>p.html("<p>lorem ipsum</p>"); // <p><p>lorem ipsum</p></p>p.prepend("<p>First</p>");//在p前添加html內容p.append("<p>Last</p>");//在p之后添加html內容// 添完后的結果: <p><p>First</p><p>lorem ipsum</p><p>Last</p></p>Element span = doc.select("span").first(); // <span>One</span>span.wrap("<li><a );// 添完后的結果: <li><a ><span>One</span></a></li>3)說明
Element.html(String html) 這個方法將先清除元素中的HTML內容,然后用傳入的HTML代替?！ lement.prepend(String first) 和 Element.append(String last) 方法用于在分別在元素內部HTML的前面和后面添加HTML內容 Element.wrap(String around) 對元素包裹一個外部HTML內容。
本文由 貴州做網站公司 整理發布，部分圖文來源于互聯網，如有侵權，請聯系我們刪除，謝謝！
網絡推廣與網站優化公司（網絡優化與推廣專家）作為數字營銷領域的核心服務提供方，其價值在于通過技術手段與策略規劃幫助企業提升線上曝光度、用戶轉化率及品牌影響力。這...
在當今數字化時代，公司網站已成為企業展示形象、傳遞信息和開展業務的重要平臺。然而，對于許多公司來說，網站建設的價格是一個關鍵考量因素。本文將圍繞“公司網站建設價...
在當今的數字化時代，企業網站已成為企業展示形象、吸引客戶和開展業務的重要平臺。然而，對于許多中小企業來說，高昂的網站建設費用可能會成為其發展的瓶頸。幸運的是，隨...
3dsmaxvray白銀材質參數？在材質編輯器中選擇vray金屬材質，然后在“基本參數”卷展欄中漫反射RGB255，反射到最大值并折射到一個點。vray沒有金屬度怎么辦？VRay渲染金屬材質教程:1.打開材質編輯器，選擇其中一個材質球，將漫反射更改為RGB(10，10，10)。2.將反射設置為RGB(50，50，50)。3.將高光設置為0.85，以取消更精細的反射。4.將漫反射值調整為RGB(0，...
dota深淵領主出裝？Dota2深淵領主裝備推薦：早期核心裝備：秘法靈魂之淚，大魔杖，圣殿戒指，魔法抵抗斗篷，骨灰盒中核心裝備：達梅肯·迪齊，小人犧牲，鼓刃甲勛章后裝：飛鞋冰甲攻羊刀龍心BKB天戟大屁股是dota2中典型的肉心功能型3號位置。還有很多方法可以瞄準他山上有蝴蝶，巨魔買羊刀；妖精和大炮讓神發光！黑暗游俠刷新球，深淵領主輸出流。他是一個憂郁的大公火槍手。這一時期在dota1時期廣泛流傳。...
360廣告怎么永久關閉？1.打開360點擊？在右上角。圖標，菜單出現后，單擊設置。360廣告怎么永久關閉？1.打開360安全衛士。2.打開設置。3.點擊彈出設置，在下拉框中點擊商品推薦提示，關閉商品推薦提示，關閉熱點新聞提醒，關閉自動追劇提醒，在右側打上之前的復選標記。4.點擊開機助手，去掉右側不定期開機宣傳和顯示熱點新聞前面的復選標記。5.單擊確定。廣告聯盟app是真的嗎？廣告聯盟app是真實存...
免責聲明：本站內容部分文字和圖片來源于網絡，版權屬于原作者所有，若有冒犯，請聯系我們進行刪除，謝謝。聯系郵箱：1051388971#qq.com （把#換成@）